一类刻度参数指数分布族参数的最小风险同变估计

对Parsian（1996）与Jozani（2002）所研究的一类刻度参数指数分布族c（x,n）θ^-ν e^-T（x）^/θ,利用文献[1]提出的p,q对称熵损失函数L（θ,δ）=θ^p/δ^p＋δ^q/θ^q-2（p,q〉0）,用参数估计方法,研究了刻度参数θ的最小风险同变估计与Bayes估计,并得到了它们的一般形式与精确形式,最后应用积分变换定理证明了Parsian（1996）未曾讨论的问题,即θ的最小风险同变估计具有最小最大性.     

对称损失下一类刻度分布族参数的估计

q对称熵损失函数L(θ,δ)=θ_q/δ_q+δ_q/θ_q-2(0-νe_-T(x)/θ参数θ的估计, 得到 了θ的最小风险同变(MRE)估计及Bayes估计的一般与精确形式, 并讨论了θ的形如cT(X)+d的一类线性估计的可容许性和不可容许性以及θ的MRE估计的最小最大性.     

q对称熵损失函数下指数分布的参数估计

提出对称熵损失函数的一般形式(λ/δ)^q+(δ/λ)^q-2(q>0) , 即q对称熵损失. 讨论指数分布的尺度参数在此损失函数下的最小风险同变估计、 Bayes 估计和最小最大估计, 给出了更具一般性的结论, 并研究了(cT+d)^-1形式 估计的可容许性和不可容许性.     

加权p，q对称熵损失下Poisson分布变异系数的Bayes估计

为更全面研究Poisson分布的估计问题,在加权p,q对称熵损失函数下,讨论了Poisson分布变异系数的Bayes估计,并给出了Bayes估计的置信区间和多层Bayes估计,得到了其具体形式。     

非对称损失函数下逆指数分布参数的Bayes估计

针对逆指数分布的估计问题,在参数的先验分布为无信息Quasi先验分布下,得到了平方误差、LINEX损失和熵损失函数下参数的Bayes估计。最后,通过各估计在平方误差损失函数下的风险函数的比较给出本文的结论。     

p,q-对称熵损失函数下指数分布的参数估计

用参数估计方法, 研究指数分布的刻度参数在p,q-对称熵损失函数下的最小风险同变估计(MRE)、 Bayes估计和Minimax估计, 并讨论了具有［cT+d］^-1形式的估计量当0≤c*, d>0; c=c^*, d>0时是可容许的, 当c<0或 d<0; 0*且d=0; c>c^*且d>0时是不可容许的.     

Linex损失函数下正态总体位置参数的估计

首先研究正态分布位置参数在Linex损失函数L(μ,)δ=ea(μ-δ)-a(μ-δ)-1下的最小风险同变估计及其Bayes估计,并给出在该损失函数下位置参数最小风险平移同变估计的精确表达式和Bayes估计的可容许性证明,最后讨论形如cT(x)+d的可容许性.     

熵损失函数下指数分布参数的估计

文章在指数分布参数的先验分布为其共轭先验分布Gamma分布Γ(a,b)时,给出了其在熵损失函数下的E-Bayes估计和多层Bayes估计。     

一种加权对称损失函数下Rayleigh分布尺度参数倒数的Bayes估计

首先给出了在加权对称损失函数下Rayleigh分布尺度参数的Bayes估计的一般形式.然后在给出先验分布的条件下,给出了Bayes估计的精确形式.最后证明了此Bayes估计的可容许性.     

对称熵损失函数下两参数广义指数分布形状参数的Bayes估计

在对称熵损失函数下,讨论了两参数广义指数分布形状参数的Bayes估计和可容许估计,并给出了一类逆线性形式(cT+d)-1估计的可容许性和不可容许性的条件.     

一类对称损失下刻度参数估计的不变性

对于来自密度为(1/τ)f(x/τ)的总体容量为n的随机 样本X1,X2,…,Xn, 在对称熵损失函数L(η,d)=ν(η/d+d/η-2)下应用积分变换定理研究其刻度参数分布族c(x,n)η^-νe^-T(x)/η的参数η=τ^r的Bayes估计及其可容许估计, 证明了它们在一一对应变换下具有不变性.     

对称熵损失下工序能力指数C_p的估计

研究工序能力指数在对称熵损失函数下的最小风险同变估计（MRE）和Bayes估计,给出MRE估计的精确形式,并对置信度为1-α的区问估计给出临界值,同时,证明Bayes估计是可容许的．     

对称熵损失下指数分布的参数估计

研究指数分布的刻度参数在对称熵损失下的最小风险同变估计及Bayes估计,并讨论（cT＋d）－1形式估计的可容许性与不可容许性．     

基于对称损失函数下Poisson分布变异系数的估计

对应用统计中常用的参数Karl-Pearson变异系数,在给定的一组Poisson样本下,用对称损失函数研究了它的Bayes估计的形式与性质,并由此讨论了它的一类估计的可容许性和不可容许性,模拟结果表明:所得到的Karl-Pearson变异系数的Bayes估计具有较高的精度,可以在统计判决问题中使用.     

一类刻度指数分布族参数的Bayes估计

在刻度平方损失函数下,研究了一类刻度指数分布族参数的估计,得到了刻度参数的Bayes估计的一般形式,并研究了它的可容许性,最后在两种给定先验分布下得到了刻度参数的正常Bayes估计和广义Bayes估计的精确形式.在此基础上可以对刻度参数进行进一步的统计推断.     

熵损失函数下刻度参数估计的不变性和本质完全类

讨论在熵损失函数下,刻度参数的可容许估计的不变性及Bayes估计的不变性,证明在熵损失函数下,刻度参数所有依赖于充分统计量T的非随机化判决构成一个本质完全类．     

加权平衡损失下一类单参数指数分布族参数估计的可容许性

在加权平衡损失函数下,考虑了一类单参数指数参数分布族,得到了参数的Bayes估计,并讨论了一类c T+d形式估计的可容许性和不可容许性.